自動檢測程序與人工檢測對肺結節(jié) 檢測的效能對比分析

侯秋雨 張晨策 李輝堅 劉方波 袁娜

摘要：? 針對肺結節(jié)自動檢測程序與人工檢測存在的差異，本文對比分析了自動檢測程序與人工檢測對肺結節(jié)檢測的效能。收集了青島市第八人民醫(yī)院2019年2月～10月胸部CT平掃602例，并以2名從事影像診斷專業(yè)20年以上的副主任醫(yī)師共同閱片檢出的肺結節(jié)數(shù)目和大小為參考標準，比較A組（1名副主任醫(yī)師、1名主治醫(yī)師） 和B組（肺結節(jié)自動檢測程序）對肺結節(jié)的檢出率、平均閱片時間和假陽性率。研究結果表明，B組檢出率高于A組，差異有統(tǒng)計學意義（P<0.05），A組假陽性率高于B組，差異有統(tǒng)計學意義（P<0.05）;在不同大小結節(jié)檢測方面，A、B組在小于3 mm的結節(jié)檢出率差異有統(tǒng)計學意義（P<0.05），大于等于3 mm結節(jié)檢出率差異無統(tǒng)計學意義（P>0.05）。A、B組閱片時間分別為（5.0±1.1） min和（1.3±0.2） min，差異有統(tǒng)計學意義（P<0.05）。肺結節(jié)自動檢測程序對肺結節(jié)的檢測效率高于人工檢測，可作為肺結節(jié)篩查的有效輔助工具。

關鍵詞：? 肺結節(jié); 自動檢測; 程序; 胸部CT

中圖分類號： R445.3; R734.2? 文獻標識碼： A

肺結節(jié)是指肺內的類圓形病灶，密度增高、直徑小于等于3 cm，病變周圍被含氣肺組織包圍，并且不伴有肺不張、縱隔及肺門淋巴結腫大、胸腔積液等表現(xiàn)。通常情況下，肺結節(jié)有可能是肺癌的早期表現(xiàn)，作為臨床影像科常見的偶然發(fā)現(xiàn)，根據(jù)其影像特征來評估其惡變的可能性，早期發(fā)現(xiàn)及評估肺結節(jié)對于診斷和治療肺癌十分重要。手術切除或活檢應對首次發(fā)現(xiàn)與隨訪影像對比有增長的肺結節(jié)患者進行，穩(wěn)定至少兩年的實性肺結節(jié)一般不需要做進一步隨訪。具有直徑大于等于8 mm的實質肺結節(jié)、直徑小于8mm的非實質或部分實質肺結節(jié)的患者應參照惡性的概率、影像學結果以及不同治療方案的風險和收益等原則進行后續(xù)處理與評估[1] 。目前，對于偶然發(fā)現(xiàn)的對肺結節(jié)的處理，國際上有許多專業(yè)組織或研究機構給出了一些推薦的處理方案，這些組織或機構包括國際肺癌研究協(xié)會（international association for the study of lung cancer，IASLC）、弗萊舍學會（the fleischner society，TFS）和歐洲呼吸學會（european respiratory society，ERS）等，也有一些研究或報告可供參考[2 5] 。目前，胸部高分辨率CT在早期肺癌篩查中應用廣泛，導致了大量肺結節(jié)的檢出，從而醫(yī)生的閱片工作量劇增，肺結節(jié)的準確檢測對于臨床醫(yī)生具有較大的挑戰(zhàn)[6] ，因此，高效準確的肺結節(jié)檢測系統(tǒng)非常必要[7] 。本文對一種基于三維聯(lián)通域的肺結節(jié)檢測系統(tǒng)[8] 與臨床醫(yī)師對肺結節(jié)檢測能力進行對比分析，結果表明肺結節(jié)自動檢測程序對肺結節(jié)的檢測效率高于人工檢測。該研究為探討其臨床應用具有重要意義。

1 材料與方法

1.1 材料

隨機抽取青島市第八人民醫(yī)院2019年2月～10月602例患者的胸部CT平掃圖像作為研究對象，其中男性366例，女性236例，年齡為16～80歲，平均（41±0.8）歲。所有患者均采用GE16排螺旋CT（Lightspeed16）行胸部平掃，掃描條件為管電壓120 kV，管電流80 mA。掃描范圍從肺尖至肺底全部區(qū)域，兩側包括胸壁和腋窩，層厚5 mm，平掃后按肺部標準算法重建，層厚1 mm，觀察采用窗寬1 500 Hu，窗位-600 Hu。要求肺結節(jié)個數(shù)1～10個，直徑小于30 mm。

1.2 方法

1.2.1 人工檢測方法

由2名從事影像診斷專業(yè)20年以上的副主任醫(yī)師共同閱片，分析結節(jié)的數(shù)目及大小。當判讀結果不一致時，由第3名副主任醫(yī)師參與協(xié)商，確定一致性意見，從而作為參考標準，以此計算肺結節(jié)的檢出率和假陽性率。根據(jù)《胸部CT肺結節(jié)數(shù)據(jù)標注與質量控制專家共識（2018）》的分類標準，結節(jié)分為小于3 mm為微結節(jié)，3～5 mm為微小結節(jié)，6～10 mm為小結節(jié)，11～30 mm為結節(jié)。因為小于3 mm的微結節(jié)通常沒有臨床意義，所以本文按結節(jié)大小分為小于3 mm與大于等于3 mm 兩類進行分析。在確定參考標準后，由1名副主任醫(yī)師和1名主治醫(yī)師分別閱片，內容是結節(jié)檢出的數(shù)目、大小，并與參照標準對照，分別計算肺結節(jié)的檢出率和假陽性率，閱片時間指醫(yī)師在顯示屏逐層觀察圖像，得出每例患者結節(jié)數(shù)目和結節(jié)大小的時間。

1.2.2 自動檢測方法

1） CT切片影像的像素值單位轉換。由于從不同品牌不同型號的CT設備上獲取的影像技術參數(shù)不同，所以CT影像的數(shù)據(jù)格式也不同。為統(tǒng)一計算，需根據(jù)不同的技術參數(shù)，將像素的灰度值轉換成統(tǒng)一單位，即亨氏單位。

像素灰度值的亨氏單位可由元數(shù)據(jù)參數(shù)計算得到，其文件為DICOM格式，計算公式為

HU=PV×RS+RI

式中，HU表示CT像素的灰度值;PV表示CT的像素值;RS表示CT的重縮放斜率;RI表示重縮放截距。式中的PV是CT影像對應層面中相應的一個點的像素灰度值，常規(guī)CT影像層面切片的分辨率為512×512（行×列），該參數(shù)分別存放在DICOM格式文件的標簽行數(shù)（0028，0010）和列數(shù)（0028，0011）中，RS是DICOM文件標簽（0028，1053）的數(shù)值，RI是標簽（0028，1052）中的數(shù)值。當RT（0028，1054）標簽為空時，該影像像素值單位就是亨氏單位。

2） CT切片灰度影像轉換為黑白影像。當影像的像素值轉換為亨氏單位（HU）后，設置一個像素閾值，對于大于或等于該閾值的像素值，將其設置為1（白色），小于該閾值，則設置為0（黑色）。采用此方法可以將如圖1a所示的灰度CT影像轉換成圖1b所示的黑白CT影像。算法實現(xiàn)流程圖如圖1所示。

3） CT切片影像中無用影像的去除。為了利用三維連通域的概念實現(xiàn)算法，最重要的步驟是除去每一個層面切片影像中人體以外的影像。

首先利用最大面積算法，選擇圖1b中最大白色身體輪廓區(qū)域，然后將其他區(qū)域均設置為黑色，從而得到圖1c的影像，而無用影像及有用影像均被刪除。為了使身體輪廓以內的有用影像得到顯示，對圖1c再次使用最大面積算法選擇身體輪廓區(qū)域，即白色區(qū)域，此次對圖1c進行反向操作，將原來的白色區(qū)域變?yōu)楹谏?，原來黑色的區(qū)域變?yōu)榘咨@得的影像如圖1d所示。對圖1d使用最大面積算法，選擇身體輪廓以外的區(qū)域（白色），并將其他的所有區(qū)域均置為黑色，得到的影像如圖1e所示。最后，基于圖1e的黑色區(qū)域，將圖1b身體輪廓以外的區(qū)域設置為白色，得到所需要的影像如圖1f所示。

4） 疊加CT切片影像構成三維矩陣影像。將所獲得的一系列黑白CT層面切片影像疊加，構成三維矩陣影像（如圖1g），矩陣中每個點的像素值均為1（白色）或0（黑色），由1相連的區(qū)域即為三維連通域。

5） 過濾小于連通域閾值的三維連通域。設置一個閾值，該閾值即為三維連通域的大小，過濾掉小于閾值的三維連通域。這是由于在CT影像的處理過程中，可能會產(chǎn)生一些小的碎片或存在影像噪聲，導致一些非常小的連通域產(chǎn)生，再就是小于3 mm的肺結節(jié)臨床上通常沒有意義。

6） 計數(shù)三維連通域及計算其直徑。通過計算三維連通域的數(shù)量，即可得到肺結節(jié)的個數(shù)，計算三維連通域的大小，即是肺結節(jié)的直徑大小。肺部組織與身體輪廓構成一個大的三維連通域，應該排除在外。按照以上描述方法，該算法得到了較好的實現(xiàn)。

1.2.3 觀察指標

人工與自動兩組結節(jié)檢出的數(shù)目和大小與參考標準對比，分別計算每組肺結節(jié)的檢出率和假陽性率，以及2組平均閱片時間。檢出率和假陽性率分別為

DR=TPN/TN×100%，

FPR=FPN/TN×100%

式中，DR為檢出率;FPR為假陽性率;TPN為真陽性結節(jié);FPN為假陽性結節(jié);TN為結節(jié)總數(shù)。

1.3 統(tǒng)計學方法

采用SPSS 20.0統(tǒng)計軟件進行數(shù)據(jù)分析，計數(shù)資料以百分率表示，進行χ2檢驗，以P<0.05為差異，有統(tǒng)計學意義。

2 研究結果

2.1 參考標準

2名副主任醫(yī)師共檢出3250個結節(jié)，每例患者肺結節(jié)數(shù)為1～10個，平均（5±1.6）個，結節(jié)直徑為2～29 mm。

2.2 兩組結節(jié)檢出情況比較

比較結果發(fā)現(xiàn)，b組檢出率高于A組，差異有統(tǒng)計學意義（P<0.05），A組假陽性率高于B組，差異有統(tǒng)計學意義（P<0.05）。在不同大小結節(jié)檢測方面，A和B組在小于3 mm的結節(jié)檢出率差異有統(tǒng)計學意義（P<0.05），大于等于3 mm結節(jié)檢出率差異無統(tǒng)計學意義（P>0.05）。

2.3 閱片時間

A和B組閱片時間分別為（5.0±1.1） min和（1.3±0.2） min，差異有統(tǒng)計學意義（P<0.05）。A和B組檢出率及閱片時間比較如表1所示。

3 討論與分析

研究結果表明，肺結節(jié)自動檢測系統(tǒng)對肺結節(jié)的檢出率高于人工檢測，假陽性率低于人工檢測，平均閱片時間遠低于人工檢測。本研究所用的檢測方法與近年來逐步進入臨床應用的基于傳統(tǒng)計算機視覺算法計算機輔助診斷系統(tǒng)（computer-aided detection，CAD）和基于深度學習（deep learning，DL）的人工智能（artificial intelligence，AI）[9 10] 有所不同，CAD系統(tǒng)通常需要自動預分割肺部影像算法[11] ，程序較復雜且誤差較大[12] ，AI是一種基于卷積神經(jīng)網(wǎng)絡的肺結節(jié)檢測模型，DL是通過構建深層網(wǎng)絡結構進行多層特征學習的人工智能方法[13] 。近年來，隨著DL和AI技術的不斷發(fā)展，圖像識別技術有了更好的發(fā)展，并已開始應用于臨床領域，特別是胸部影像識別[14 15] ，與傳統(tǒng)CAD相比，AI識別技術在檢出率、假陽性率等方面都更優(yōu)秀，其敏感度和特異度較傳統(tǒng)的CAD高。

本研究所采用的是基于三維連通域的一種算法，該算法采用灰度閾值法（基于亨氏單位HU），經(jīng)過對肺部CT影像黑白轉換預處理，以三維連通域的概念，在CT影像中將人體與肺器官（氣管和血管等）等看作一個整體的實體，而孤立的肺結節(jié)不與這個整體相連，從而實現(xiàn)了在CT影像中基于三維連通域檢測孤立性肺結節(jié)的算法。在AI與人工檢測肺結節(jié)的效能對比研究中，AI的檢出率可達96.6%[9] 。本研究自動檢測技術的肺結節(jié)檢出率為96.3%，兩者的檢測能力近似，但在另一個AI與人工檢測肺結節(jié)的效能對比研究中[16] ，AI的假陽性率高于人工檢測，本研究自動檢測技術的假陽性率為6%，AI高假陽性率的原因表明，目前AI技術深度學習的重點集中在陽性結節(jié)上，而非假陽性結節(jié)。本研究自動檢測技術假陽性率低的原因和算法的原理有關，這是由于基于三維連通域的肺結節(jié)檢測算法目前無法識別胸膜下結節(jié)（與胸膜相連）。

4 結束語

本研究是基于三維連通域的一種算法，該算法采用灰度閾值法，以三維連通域的概念為基礎，在CT影像中將人體與肺器官（氣管和血管等）等看作一個整體的實體，孤立的肺結節(jié)不與這個整體相連，從而實現(xiàn)了在CT影像中基于三維連通域檢測孤立性肺結節(jié)的算法。與人工檢測相比，該研究在檢出率、假陽性率和平均閱片時間上都有優(yōu)勢，具有一定的臨床應用前景，但也存在不足之處，待后續(xù)進一步研究完善?？傊壳白詣訖z測方法并不能完全的替代人工檢測，但兩者相結合可以大幅度的提高檢測效率，減輕臨床醫(yī)師的工作強度，具有廣闊的應用前景。

參考文獻：

[1] Kikano G E， Fabien A， Schilz R. Evaluation of the solitary pulmonary nodule[J]. Am Fam Physician， 2015， 92（12）： 1084 1091A.

[2] MacMahon H， Naidich D P， Goo J M， et al. Guidelines for management of incidental pulmonary nodules detected on CT images： from the Fleischner Society[J]. Radiology， 2017， 284（1）： 228 243.

[3] Elia S， Loprete S， De Stefano A， et al. Does aggressive management of solitary pulmonary nodules pay off？ European Respiratory Society[J]. Breathe， 2019， 15（1）： 15 23.

[4] Iaccarino J M， Wiener R S. Pulmonary nodule guidelines[J]. Chest， 2017， 152（2）： 232 234.

[5] Gould M K， Donington J， Lynch W R， et al. Evaluation of individuals with pulmonary nodules： when is it lung cancer？ Diagnosis and management of lung cancer， 3rd ed： american college of chest physicians evidence-based clinical practice guidelines[J]. Chest， 2013， 143（5）： e93S e120S.

[6] Sim Y T， Poon F W. Imaging of solitary pulmonary nodule-a clinical review[J]. Quant Imaging Med Surg， 2013， 3（6）： 316 326.

[7] Rubin G D. Lung nodule and cancer detection in CT screening[J]. J Thorac Imaging， 2015， 30（2）： 130 138.

[8] Zhang C C， Shen Y， Kong Q， et al. A novel algorithm for segmentation of solitary pulmonary nodules in chest computed tomography based on three-Dimensional connected voxels[J]. Journal of Medical Imaging and Health Informatics， 2019， 9（8）： 1622 1629.

[9] 金文忠， 陸耀， 汪陽. 基于人工智能的胸部CT智能輔助診斷系統(tǒng)在LDCT數(shù)據(jù)集上的應用研究[J]. 中國醫(yī)學計算機成像雜志， 2018， 24（5）： 373 377.

[10] El-Baz A， Beache G M， Gimelfarb G， et al. Computer-aided diagnosis systems for lung cancer： challenges and methodologies[J]. Int J Biomed Imagin， 2013（1）： 1 406.

[11] Sluimer I， Schilham A， Prokop M， et al. Computer analysis of computed tomography scans of the lung： a survey[J]. IEEE Trans Med Imaging 2006， 25（4）： 385 405.

[12] Armato S G， Sensakovic W F. Automated lung segmentation for thoracic CT： impact on computer-aided diagnosis[J]. Acad Radiol， 2004， 11（9）： 1011 1021.

[13] Setio A A， Ciompi F， Litjens G， et al. Pulmonary nodule detection in CT images： false positive reduction using multi-view convolutional networks[J]. IEEE Trans Med Imaging， 2016， 35（5）： 1160 1169.

[14] Setio A A， Jacobs C， Gelderblom J， et al. Automatic detection of large pulmonary solid nodules in thoracic CT images[J]. Med Phys， 2015， 42（10）： 5642 5653.

[15] Nasrullah N， Sang J， Alam MS， et al. Automated lung nodule detection and classification using deep learning combined with multiple strategies[J]. Sensors， 2019， 19（17）： 274 276.

[16] 李欣菱， 郭芳芳， 周振， 等. 基于深度學習的人工智能胸部CT 肺結節(jié)檢測效能評估[J]. 中國肺癌雜志， 2019， 22（6）： 336 340.

Comparative Analysis of the Efficacy of Automatic Detection Program and Manual Detection for Pulmonary Nodules

HOU Qiuyu， ZHANG Chence， LI Huijian， LIU Fangbo， YUAN Na

（Qingdao 8th People′s Hospital， Qingdao 266000， China）

Abstract：? In view of the difference between automatic and manual detection of pulmonary nodules， this paper compared and analyzed the efficacy of automatic and manual detection for pulmonary nodules. A total of 600 cases of chest CT plain scan were collected from The 8th People′s Hospital of Qingdao from February 2019 to October 2019， and the number and size of pulmonary nodules detected by two deputy chief physicians who had been engaged in imaging diagnosis for more than 20 years were taken as the reference standard. The detection rate， average reading time and false positive rate of pulmonary nodules in group A （one associate chief physician andone attending physician） and group B （automatic pulmonary nodules detection program system） were compared. The results showed that the detecting rate of group B was higher than that of group A， with statistically significant difference （P<0.05）， and the false positive rate of group A was higher than that of group B， with statistically significant difference （P<0.05）. In terms of the detection of nodules of different sizes， the difference in the detecting rate of nodules <3 mm in both group A and group B was statistically significant （P<0.05）， while the difference in the detecting rate of nodules ≥3 mm was not statistically significant （P>0. 05）. The reading time of group A and Group B was （5.0±1.1） min and （1.3±0.2） min， respectively， with statistically significant difference （P<0.05）. This study has guiding significance for the screening of pulmonary nodules.

Key words： pulmonary nodules; automatic detection; program; chest computed tomography （CT）